So aktivieren Sie das 1-Million-Kontextfenster für GPT-5.6 Sol in Codex

Einführung

Wenn Sie sich über Ihr ChatGPT-Konto authentifiziert haben, ist GPT-5.6 Sol jetzt in Codex mit einem Kontextbudget von 1 Million Tokens verfügbar.

Die Konfiguration erfordert nur drei Zeilen:

model = "gpt-5.6-sol"
model_context_window = 1000000
model_auto_compact_token_limit = 900000

Fügen Sie diese Einstellungen auf oberster Ebene der config.toml von Codex hinzu, starten Sie den Client neu und eröffnen Sie eine neue Sitzung.

Der entscheidende Punkt ist nicht nur die größere Zahl. Die dritte Einstellung lässt eine Reserve von etwa 100.000 Tokens und teilt Codex mit, bei etwa 900.000 Tokens mit der Komprimierung älterer Verläufe zu beginnen, anstatt zu warten, bis der Kontext vollständig ausgelastet ist.

OpenAI hat auch die Abwägungen sehr deutlich gemacht: Das standardmäßige Kontextlimit von Codex ist sorgfältig auf Leistung und Kosten abgestimmt. Das 1-Million-Fenster bietet Ihnen mehr Platz für Code, Tool-Ausgaben und Gesprächsverläufe, verbraucht jedoch auch mehr Ressourcen und bietet keine Garantie für eine gleich starke Abrufleistung am fernen Ende des Fensters.

Die Drei-Zeilen-Konfiguration für das 1-Million-Kontextfenster von GPT-5.6 Sol

Die von OpenAI veröffentlichte Codex-Konfiguration verwendet genau diese drei Einstellungen auf oberster Ebene:

model = "gpt-5.6-sol"
model_context_window = 1000000
model_auto_compact_token_limit = 900000

Jede Zeile hat ihre spezifische Funktion.

1. GPT-5.6 Sol auswählen

model = "gpt-5.6-sol"

Dies teilt Codex mit, welches Modell in der Sitzung verwendet werden soll.

GPT-5.6 Sol ist das Flaggschiff-Modell der GPT-5.6-Serie und unterstützt ein Kontextfenster, das für die 1-Million-Konfiguration ausreichend ist.

1. Das Arbeitskontextbudget auf 1 Million Tokens festlegen

model_context_window = 1000000

Die Codex-Konfigurationsreferenz von OpenAI definiert model_context_window als die Anzahl der Kontextfenster-Tokens, die dem aktiven Modell zur Verfügung stehen.

Diese Überschreibung teilt Codex mit, ein Budget von 1 Million Tokens zuzuweisen, anstatt den kleineren Produktstandardwert zu verwenden.

Das größere Budget ermöglicht es, vor der Komprimierung mehr der folgenden Inhalte im aktiven Kontext zu behalten:

• Quellcode.
• Repository-Dateien.
• Tool-Ausgaben.
• Terminalprotokolle.
• Frühere Gesprächsrunden.
• Planungsnotizen.
• Agentenverlauf.

Dies ist besonders nützlich für langlaufende Repository-Arbeiten, bei denen der Agent wiederholt auf Details aus früheren Phasen zugreifen muss.

1. Automatische Komprimierung bei etwa 900.000 Tokens starten

model_auto_compact_token_limit = 900000

OpenAI definiert diese Einstellung als Tokenschwellenwert, der die automatische Verlaufskomprimierung auslöst.

Bei etwa 900.000 Tokens beginnt Codex, älteres Material zu komprimieren, anstatt den aktiven Verlauf weiter zu erweitern, bis das vollständige Kontextlimit erreicht ist.

Das ungefähre Verhalten sieht wie folgt aus:

0 → 900.000 Tokens
Aktiver Verlauf wird kontinuierlich erweitert

Etwa 900.000 Tokens
Automatische Komprimierung beginnt

Bis zu 1-Million-Budget
Reserve bleibt für fortlaufende Inferenz und Tool-Nutzung erhalten

Der zusätzliche Raum ist wichtig, da das Modell weiterhin Platz für neue Nachrichten, Tool-Ergebnisse, Inferenz und generierte Ausgaben benötigt.

Einstellungen vor jeder [section]-Überschrift platzieren

Diese drei Einstellungen müssen auf oberster Ebene liegen

TOML-Schlüssel.

Die Anweisungen von OpenAI verlangen, sie in der config.toml vor jeder Abschnittsüberschrift zu platzieren.

Ein gültiges Layout sieht wie folgt aus:

model = "gpt-5.6-sol"
model_context_window = 1000000
model_auto_compact_token_limit = 900000

[features]
# Weitere Einstellungen hier

Verschachteln Sie sie nicht versehentlich unter anderen Abschnitten:

[features]
model = "gpt-5.6-sol"
model_context_window = 1000000
model_auto_compact_token_limit = 900000

Das würde ihren TOML-Geltungsbereich verändern und entspricht nicht der dokumentierten Konfigurationsweise.

Wo Codex die config.toml speichert

OpenAI dokumentiert den Speicherort der Konfigurationsdatei auf Benutzerebene:

~/.codex/config.toml

Sie können auch eine Datei auf Projektebene verwenden:

.codex/config.toml

Platzieren Sie diese im Repository oder in einem Unterverzeichnis, wenn Sie möchten, dass die Einstellungen nur für dieses spezifische Projekt gelten.

Nach der Bearbeitung der Konfiguration:

1. Speichern Sie die config.toml.
2. Starten Sie den Codex-Client neu.
3. Eröffnen Sie eine neue Sitzung.

Die neuen Kontexteinstellungen sollten dann für diese Sitzung gelten.

Nur für einzelne CLI-Sitzungen 1M-Kontext verwenden

Sie müssen die Standardeinstellungen nicht dauerhaft ändern.

OpenAI dokumentiert auch eine Form für einzelne CLI-Sitzungen:

codex -m gpt-5.6-sol \
-c model_context_window=1000000 \
-c model_auto_compact_token_limit=900000

Dies ist nützlich, wenn Sie normalerweise das Standardkontextverhalten von Codex bevorzugen, aber gelegentlich mehr Platz für besonders große Repositories oder langlaufende Aufgaben benötigen.

Sobald diese CLI-Sitzung endet, bleibt Ihre normale Konfiguration unverändert.

Ein praktischer Arbeitsablauf ist:

Normale Aufgaben
→ Codex-Standardwerte verwenden

Ungewöhnlich große Aufgaben
→ CLI-Sitzung mit 1M-Kontext starten

Dies ist in der Regel einfacher zu verwalten, als jede Codex-Aufgabe das maximale Fenster verwenden zu lassen.

Warum ist 1M-Kontext nicht der Standard?

GPT-5.6 Sol unterstützt bereits ein sehr großes Kontextfenster.

Die Einschränkung liegt nicht nur an fehlenden Modellfähigkeiten.

Codex verwendet einen kleineren Standardwert, da das Produkt auf ein Gleichgewicht zwischen folgenden Faktoren abgestimmt ist:

• Leistung.
• Latenz.
• Ressourcenverbrauch.
• Zuverlässigkeit langer Sitzungen.
• Komprimierungsverhalten.

Der offizielle Community-Beitrag von OpenAI besagt, dass das standardmäßige Kontextlimit sorgfältig auf Leistung und Kosten abgestimmt wurde.

Ein größeres Fenster erlaubt Codex, mehr Rohmaterial zu behalten, aber jeder zusätzliche Verlauf erhöht die Menge an Kontext, die das System in nachfolgenden Runden verwalten muss.

Für einen Agenten, der über Stunden läuft, ist „alles wörtlich für immer aufzubewahren" nicht automatisch die beste Strategie.

Automatische Komprimierung ist Teil des Standarddesigns

Wenn Sitzungen wachsen, kann Codex ältere Verläufe zusammenfassen.

Dies bringt langlaufende Agenten näher an:

Aktuelle Details
+
Komprimierter Verlauf
+
Wichtiger persistenter Zustand

statt:

Jedes einzelne Token der gesamten Sitzung
wird für immer erneut gesendet

OpenAI-Forscher Noam Brown hat diesen Ansatz öffentlich hervorgehoben und darauf hingewiesen, dass das Unternehmen stark in die Entwicklung investiert, um die automatische Komprimierung so nahtlos wie möglich zu gestalten, während die 1M-Option für Benutzer erhalten bleibt, die sie tatsächlich benötigen.

Optionen.

Kompression ist besonders nützlich, wenn

alte Tool-Spuren eine große Menge an Informationen enthalten, die nicht mehr wörtlich aufbewahrt werden müssen.

Beispiele:

• Alte Testprotokolle.
• Build-Ausgaben.
• Frühere Suchergebnisse.
• Überholte Implementierungspläne.
• Wiederholte Terminalausgaben.

Eine gute Zusammenfassung kann wichtige Zustände bewahren, ohne dass das Modell jeden alten Token wiederholt verarbeiten muss.

Gehen Sie mit dem 1M-Fenster vorsichtig um

Der zweite große Abschnitt des Quellartikels ist im Wesentlichen eine Warnung: Nur weil Codex einen 1M-Kontext verwenden kann, bedeutet das nicht, dass jede Sitzung ihn nutzen sollte.

Ein Community-Beitrag empfahl nachdrücklich, die Override-Einstellung nicht standardmäßig zu aktivieren, mit der Begründung, dass Codex mit den angepassten Standardeinstellungen am besten funktioniert und dass die Nutzung von überlangen Kontexten das Kontingent schneller verbraucht.

Die genaue Nutzungsmenge kann von der aktuellen Produktstrategie und dem Verhalten der Tarife abhängen. Daher sollten Sie die neuesten OpenAI-Dokumente zu Codex-Preisen und Ratenlimits konsultieren, anstatt von einer festen Zahl auszugehen.

Die allgemeinere Warnung ist sinnvoll:

Mehr aktiver Kontext bedeutet in der Regel, dass mehr Token in nachfolgenden Runden mitgeführt werden müssen.

Für langlaufende Coding-Agenten kann das schnell teuer werden.

Ein 1M-Fenster bedeutet nicht, dass 1M Token gleichwertig nutzbar sind

Das Modell kann technisch lange Prompts akzeptieren, aber die Genauigkeit beim Abrufen tief darin verborgener Informationen kann abnehmen.

Die eigenen Langkontext-Ergebnisse von OpenAI für GPT-5.6 zeigen dies.

Das Modell bleibt bei sehr langen Kontexten leistungsfähig, aber die Leistung ist über die gesamte Bandbreite nicht gleichmäßig.

Deshalb sollten „größeres Kontextfenster" und „bessere Kontextnutzung" als zwei getrennte Konzepte betrachtet werden.

Das 1M-Fenster beantwortet:

Wie viel Inhalt kann das System aufnehmen?

Es beantwortet nicht automatisch:

Kann das Modell jedes Detail an jeder Position zuverlässig nutzen?

Wann ein 1M-Kontext sinnvoll ist

Die Override-Einstellung ist am nützlichsten, wenn Sie tatsächlich einen Grund haben, eine ungewöhnlich große Menge an Rohinformationen aktiv zu halten.

Zum Beispiel:

Große Codebasis-Refaktorisierung

Eine Aufgabe kann gleichzeitig viele Pakete, Schnittstellen, Tests und Konfigurationsdateien betreffen.

Mehr Code im Kontext zu behalten, reduziert wiederholtes erneutes Durchsuchen.

Lange Debugging-Sitzungen

Ein kniffliges Produktionsproblem kann umfassen:

• Historische Protokolle.
• Mehrere fehlgeschlagene Hypothesen.
• Mehrere Codeänderungen.
• Testergebnisse.
• Umgebungsdetails.

Ein größeres Fenster kann mehr dieser Beweise vor der Kompression bewahren.

Große Migrationen

Framework- oder API-Migrationen erfordern oft, dass der Agent Änderungen in mehreren Dateien verfolgt und frühere Entscheidungen im Gedächtnis behält.

Mehrstufige Forschung und Implementierung

Bestimmte Aufgaben umfassen:

Forschung
→ Architekturansatz
→ Implementierung
→ Testen
→ Überprüfung
→ Überarbeitung

Ein größeres Kontextbudget kann die Wahrscheinlichkeit verringern, dass frühes Quellmaterial vor späteren Phasen übermäßig komprimiert wird.

Aufgaben mit großen Tool-Ausgaben

Wenn der Agent große generierte Berichte, Abhängigkeitsdiagramme oder strukturierte Tool-Ausgaben prüfen muss,

kann zusätzlicher Platz nützlich sein.

Wann die Standardeinstellungen besser sind

Für die meisten alltäglichen Codieraufgaben sind die Standardeinstellungen wahrscheinlich die bessere Wahl.

Beispiele:

• Beheben eines Fehlers.
• Bearbeiten weniger Dateien.
• Hinzufügen einer kleinen Funktion.
• Schreiben von Tests.
• Überprüfen eines Pull Requests.
• Aktualisieren von Dokumentation.
• Ausführen kurzer Rechercheaufgaben.

In diesen Fällen kann das 1M-Kontextfenster zusätzliche Nutzung verursachen, ohne genügend praktischen Nutzen zu bieten, um es zu rechtfertigen.

Die Empfehlung von OpenAI lautet nicht „benutze niemals 1M".

Eher:

Verwende die abgestimmten Standardeinstellungen,
außer die Aufgabe erfordert tatsächlich mehr Rohtextkontext.

Eine praktische Entscheidungsregel

Bevor Sie den 1M-Kontext aktivieren, fragen Sie sich:

Wird Codex Informationen verlieren, weil die Kompression zu früh eintritt?

Wenn die Antwort Nein ist, behalten Sie die Standardeinstellungen bei.

Wenn die Antwort Ja ist, stellen Sie die zweite Frage:

Würde das Behalten von mehr Rohverlauf die Qualität bei dieser Aufgabe wesentlich verbessern?

Nur dann ist die 1M-Override-Einstellung einen Versuch wert.

Dies hilft, echte Kontextprobleme von dem allgemeinen Wunsch zu unterscheiden, jede Einstellung zu maximieren.

Achten Sie auf Ihre Sitzungen, statt auf 900K zu warten

Die 900K-Autokompressionsschwelle ist eine Sicherheitsreserve, kein Ziel, das Sie erreichen müssen.

Ein gesunder Arbeitsablauf kann selbst sehr lange Aufgaben in logisch klare Sitzungen aufteilen.

Zum Beispiel:

Sitzung 1
Recherche und Architektur

Sitzung 2
Implementierung

Sitzung 3
Testen und Bereinigen

Am Ende jeder Phase speichern Sie den dauerhaften Projektzustand in:

• Repository-Dateien.
• Notizen zu Issues.
• Plänen.
• Tests.
• Dokumentation.
• Versionskontrolle.

So muss die nächste Sitzung sich nicht vollständig auf den Chatverlauf verlassen.

Dies macht die Arbeit auch für Menschen besser reproduzierbar.

Benutzen Sie das Kontextfenster nicht als Speicher

Kontext ist temporäres Arbeitsgedächtnis.

Er ersetzt nicht:

• Git.
• Dokumentation.
• Issue-Tracker.
• Testsuiten.
• Projektpläne.
• Dauerhaftes Gedächtnis.
• Strukturierte Daten.

Wenn eine wichtige Entscheidung morgen noch entscheidend ist, speichern Sie sie an einem dauerhaften Ort.

Der beste langfristige Agenten-Workflow kombiniert ein leistungsfähiges Kontextfenster mit persistenten Projektartefakten, anstatt sich auf ein einziges riesiges Ganzprotokoll zu verlassen.

Warnung im Quellartikel zur „doppelten Geschwindigkeit"

Der Quellartikel hob eine Community-Warnung hervor: Sobald eine Sitzung das Standardkontextbudget überschreitet, kann sich die Geschwindigkeit des Kontingentverbrauchs bei Codex etwa verdoppeln.

Diese Warnung wurde in der Community-Diskussion offen verstärkt.

Allerdings können sich die Produktnutzungsregeln ändern, und die aktuelle Veröffentlichung von GPT-5.6 mit 1M-Konfiguration in OpenAI mit drei Zeilen Setup-Anleitung definiert keine allgemeingültige 2×-Regel.

Der sicherste Leitfaden ist daher:

1. Erwarten Sie, dass Sitzungen mit großem Kontext mehr Kontingent verbrauchen.
2. Überwachen Sie die Codex-Nutzungsanzeige in Ihrem Tarif.
3. Lesen Sie die aktuellen Preis-/Ratenlimit-Dokumente von OpenAI.
4. Gehen Sie nicht davon aus, dass derselbe Faktor über verschiedene Modelle, Tarife oder zukünftige Versionen konstant bleibt.

Die wichtigste operative Tatsache ist die Richtung der Kostengrößenordnung, nicht ein permanenter Faktor.

1M-Einstellung ist jetzt über ChatGPT-Konten verfügbar

Die Änderung, die den Quellartikel auslöste, war

nicht die Existenz des großen GPT-5.6 Sol-Kontextfensters.

Es war der Zugriff auf Codex-Sitzungen, die über ein ChatGPT-Konto authentifiziert wurden.

Die Ankündigung von Tibo Sottiaux besagt, dass diese Konfiguration zuvor nur für API-Schlüssel verfügbar war und OpenAI sie nun auch für ChatGPT-Konten aktiviert hat.

Dies macht die Funktion einer breiteren Gruppe von Codex-Nutzern zugänglich, ohne einen separaten API-Schlüsselprozess durchlaufen zu müssen.

Ihr tatsächlicher Zugriff hängt weiterhin von der Verfügbarkeit des Codex-Modells und den relevanten Einschränkungen Ihres aktuellen ChatGPT-Tarifs ab.

Noch etwas: Astra wird voraussichtlich in Codex erscheinen

Am Ende des Quellartikels gibt es ein kurzes Update von Tibo Sottiaux.

In einem öffentlichen Beitrag über Codex merkte er an, dass Codex**„Astra bekommen wird"**.

OpenAI hat separat bestätigt, dass Astra ein kommendes Modell ist, und seine interne Version als ihrnächstes großes Hauptmodellbezeichnet.

Dies reicht aus, um folgende Aussage zu stützen:

Astra ist ein kommendes Modell von OpenAI,
und der Codex-Verantwortliche sagt, dass Codex es erhalten wird.

Aber es reicht nicht aus, um es als Tatsache zu behaupten:

Astra = GPT-6

OpenAI hat diesen Produktnamen noch nicht offiziell angekündigt.

Ebenfalls gibt es in den in diesem Artikel überprüften Quellen keine Informationen über ein öffentliches Veröffentlichungsdatum von Astra in Codex.

Der einzige nützliche Punkt ist: OpenAI beabsichtigt, Codex weiterhin als Bereitstellungsschnittstelle für seine nächste Generation von Frontline-Modellen zu nutzen.

Schnelle Einrichtungs-Checkliste

1. Stelle sicher, dass deine Codex-Version auf dem neuesten Stand ist.
2. Bestätige, dass GPT-5.6 Sol auf deinem Konto verfügbar ist.
3. Öffne ~/.codex/config.toml.
4. Füge diese drei Einstellungen vor jeder [Abschnitt]-Überschrift hinzu.
5. Speichere die Datei.
6. Starte Codex neu.
7. Beginne eine neue Sitzung.
8. Verwende das größere Fenster nur für Aufgaben, die wirklich davon profitieren.
9. Überwache während sehr langer Sitzungen die Nutzung und die Kontextqualität.
10. Entferne die Überschreibung, wenn der zusätzliche Kontext deinen Arbeitsablauf nicht verbessert.

Die Konfiguration sieht wie folgt aus:

model = "gpt-5.6-sol"
model_context_window = 1000000
model_auto_compact_token_limit = 900000

Nur für eine einzelne CLI-Sitzung:

codex -m gpt-5.6-sol \
-c model_context_window=1000000 \
-c model_auto_compact_token_limit=900000

Häufig gestellte Fragen

Unterstützt GPT-5.6 Sol wirklich ein Kontextfenster von 1 Million Token?

Ja. Die offizielle Codex-Community-Dokumentation von OpenAI gibt an, dass GPT-5.6 Sol ein Kontextfenster von 1.050.000 Token hat. Die hier gezeigten Codex-Überschreibungseinstellungen setzen das Arbeitsbudget auf 1.000.000 Token.

Wo sollten diese drei Codex-Einstellungen platziert werden?

Platziere sie auf der obersten Ebene von ~/.codex/config.toml, vor jeder [Abschnitt]-Überschrift. Du kannst auch eine projektspezifische .codex/config.toml verwenden, wenn die Einstellungen nur innerhalb eines bestimmten Repositorys gelten sollen.

Warum ist model_auto_compact_token_limit auf 900000 gesetzt?

Es weist Codex an, bei etwa 900.000 Token mit der automatischen Verlaufsverdichtung zu beginnen. Dadurch bleiben innerhalb des konfigurierten Budgets von 1 Million etwa 100.000 Token für die weitere Nutzung von Tools, Konversation, Reasoning und Ausgabe übrig.

Muss ich den 1-Millionen-Kontext dauerhaft aktivieren?

Nein. Du kannst dieselben Einstellungen über das -c-Flag in einer einzelnen CLI-Sitzung übergeben. Dies ist nützlich, wenn nur wenige ungewöhnlich große Aufgaben erweiterten Kontext benötigen.

Macht der 1-Millionen-Kontext GPT-5.6 Sol genauer?

Nicht automatisch. OpenAI

berichtet bei MRCR v2 eine Genauigkeit von 91,5 % bei einem Kontext von 256K–512K und 73,8 % bei 512K–1M, was darauf hindeutet, dass die Abrufqualität selbst bei einem Modell, das diesen Kontext akzeptiert, im längsten Bereich abnimmt.

Verbraucht die Aktivierung des 1M-Kontexts mehr Codex-Kontingent?

Möglicherweise. OpenAI gibt an, dass die Standardeinstellungen auf Leistung und Kosten abgestimmt sind, und der Quellartikel hebt Community-Berichte hervor, dass sehr lange Sitzungen das Limit schneller aufbrauchen können. Bitte konsultiere die aktuellen Dokumente zu Codex-Nutzung und Ratengrenzen, da sich die spezifische Abrechnungsweise ändern kann.

Ist automatische Verdichtung besser als die Beibehaltung des vollständigen Verlaufs?

In der Regel ja. Die Verdichtung kann wichtige Zustände aus früheren Runden bewahren, ohne jede ursprüngliche Protokollzeile und jedes Tool-Ergebnis erneut mitzuführen. Für Aufgaben, die wirklich präzise alte Details benötigen, ermöglicht die 1M-Überschreibungsoption, diese Verdichtung aufzuschieben.

Heißt Astra offiziell GPT-6?

Nein. OpenAI beschreibt Astra öffentlich als ein kommendes Modell und sein nächsten Generation Hauptmodell, während Tibo Sottiaux erklärte, dass Codex mit Astra ausgestattet sein wird. OpenAI hat den Produktnamen von Astra als GPT-6 nicht offiziell angekündigt.

Verwandte Tools

• Codex: OpenAIs agentische Programmierumgebung für Terminal-, IDE-, Desktop- und Cloud-Workflows.
• GPT-5.6 Sol: OpenAIs Flaggschiff-GPT-5.6-Modell und das Modell, das in dieser 1M-Kontextkonfiguration verwendet wird.
• Codex CLI: Die Befehlszeilen-Codex-Schnittstelle für Überschreibungen pro Sitzung.
• Git: Versionskontrolle hilft, persistenten Projektstatus zu speichern, anstatt sich vollständig auf übermäßig große Chat-Verläufe zu verlassen.
• TOML: Das Konfigurationsdateiformat, das von Codex config.toml verwendet wird.

Verwandte Links

• OpenAI: 1M Kontext in Codex: OpenAIs Community-Dokumentation zu den genauen GPT-5.6 Sol-Konfigurationen und CLI-Überschreibungen für Einzelsitzungen.
• Codex-Konfigurationsreferenz: Offizielle Definitionen von model, model_context_window und model_auto_compact_token_limit.
• Codex-Konfigurationsgrundlagen: Offizieller Leitfaden zu config.toml-Dateien auf Benutzer- und Projektebene.
• Offizielle GPT-5.6-Ankündigung: Modellverfügbarkeit, Benchmarks, Long-Context-Bewertungsergebnisse und die aktuelle Positionierung von GPT-5.6.
• Codex-Preise und -Pläne: Aktuelle Codex-Pläne und Nutzungsinformationen.
• Codex-Gebührentabelle: Aktueller Leitfaden zu Codex-Credit-Verbrauch und unterstützten Modellen.
• OpenAI-Hinweis zu Astraz-Fähigkeiten im Netz: Offizielle Bestätigung, dass Astra ein kommendes Modell ist.
• Tibo Sottiaux über Astra in Codex: Öffentlicher Beitrag, der besagt, dass Codex mit Astra ausgestattet sein wird.

Zusammenfassung

Das große Kontextfenster von GPT-5.6 Sol kann jetzt in Codex über das ChatGPT-Kontokontingent aktiviert werden, indem drei Einstellungen auf oberster Ebene in config.toml hinzugefügt werden:

Wähle das Modell, setze ein Token-Budget von 1.000.000 und löse die automatische Verdichtung bei 900.000 Token aus. Dieselbe Konfiguration kann auch auf eine einzelne CLI-Sitzung angewendet werden, ohne die Standardeinstellungen zu ändern.

Die Funktion ist für ungewöhnlich große Codebasen und langlaufende Workflows nützlich, sollte aber nicht als kostenloses Upgrade betrachtet werden. OpenAI hat die Standardkontextgröße von Codex bewusst auf Leistung und Kosten abgestimmt, und seine eigenen Bewertungen zeigen, dass die Long-Context-Abrufleistung im Bereich 512K–1M abnimmt.

Der sicherste Workflow ist: Verwende die Standardeinstellungen für reguläre Aufgaben und aktiviere 1M nur, wenn die frühe Verdichtung tatsächlich zu Informationsverlust führt.

Eine Drei-Zeilen-Konfiguration zur Abdeckung gibt dir die Kontrolle über das Kontextbudget; sie beseitigt jedoch nicht die Kompromisse bei Leistung, Nutzung und Abruf, die mit dem Mitführen von Millionen von Tokens einhergehen.